机器学习之归一化和标准化

因为归一化和标准化在数据分析和处理中都属于数据与预处理。因此，其API都在 sklearn.preprocessing中

1、归一化

作用：将数据映射到到某个区域内，默认是0到1之间。

API: sklearn.preprocessing.MinMaxScaler

feature_range(0,1)表示将数据映射到0到1之间，也可以指定映射到2到3或者其他的区间。

数学原理：

 理论乏味，来个例子：

左边的数组是我们的数据，右边的数组是计算的X′。第二步再乘以（1-0）+0即可。

结果：

上代码：

from sklearn.preprocessing import MinMaxScaler

def mm():
    '''
    g
    归一化处理
    :return:
    '''
    mm = MinMaxScaler()
    data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
    print(data)
if __name__ == '__main__':
    mm()

 但是呢，归一化有一个缺点：那就是特别受到异常值的影响，其鲁棒性较差，因为从数学原理角度可以看出其公式中只用到了最大值最小值。

所以，这个时候就需要推出标准化。

2、标准化

因为标准化中使用了平均值和标准差这两个数学指标，而均值和标准差是不容易受到异常值影响的，因此标准化更加稳定。

API：sklearn.preprocessing.StandardScaler

数学原理：

上代码：

from sklearn.preprocessing import StandardScaler

def Stand():
    '''
    标准化缩放
    :return:
    '''
    std = StandardScaler()
    data = std.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
    print(data)
if __name__ == '__main__':
    Stand()